論文の概要: A Governance-Aware Large Language Model Orchestrated Agentic Digital Twin for Transmission System Operator Control Room Decision Support
- arxiv url: http://arxiv.org/abs/2609.22476v1
- Date: Fri, 18 Sep 2026 18:35:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:03.874039
- Title: A Governance-Aware Large Language Model Orchestrated Agentic Digital Twin for Transmission System Operator Control Room Decision Support
- Title（参考訳）: トランスミッションシステム操作者制御室決定支援のためのガバナンス対応大規模言語モデルオーケストレーションエージェントディジタルツイン
- Abstract要約: 本稿では,トランスミッショングリッド制御のためのガバナンス対応ディジタルツインを提案する。
大きな言語モデルはホワイトリストの分析ツールを選択・パラメータ化するのみである。
提案されたすべてのアクションは、モデルをバイパスできないガバナンス層を通過します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transmission system operators face rising complexity from renewable integration, reduced inertia, and tighter security margins. Large language models offer natural-language decision support, but their hallucinations, uncontrolled tool use, and weak traceability conflict with control room requirements. This paper presents a governance-aware agentic digital twin for transmission grid control rooms. The large language model only selects and parameterizes whitelisted analysis tools, and every proposed action passes through a governance layer that the model cannot bypass. The layer enforces four rules on every run. Only whitelisted tools execute. No run exceeds its step budget. No action with side effects executes without explicit operator approval. Every number in an answer is rendered by the layer from backend results with its unit, variable, and time. The rules are checked on a persistent audit trail for every run of a released 118-task benchmark, which covers analytics, simulation, multi-step workflows, and twelve families of adversarial inputs on a digital twin of the Greek transmission network. Across 590 runs of the primary model, tool selection reaches 96.5% and task success 93.7%, and all four rules hold without exception. In a separate three-repetition study across four large language models, 1416 runs in total, the rules again hold on every run, with an approximate 95% lower bound of 99.8%. Removing the layer makes the same model execute all 45 approval-requiring runs without authorization and leaves only 39.2% of its answers with backend-supported numbers. Enforcement costs 12 to 16 milliseconds per request.
- Abstract（参考訳）: トランスミッションシステムオペレータは、再生可能統合、慣性低下、セキュリティマージンの厳格化による複雑さの増大に直面している。
大規模な言語モデルは自然言語による意思決定をサポートするが、その幻覚、制御されていないツールの使用、および制御室の要求と弱いトレーサビリティの衝突がある。
本稿では,トランスミッショングリッド制御のためのガバナンス対応エージェントディジタルツインを提案する。
大きな言語モデルはホワイトリストの分析ツールのみを選択し、パラメータ化し、提案されたアクションはすべて、モデルをバイパスできないガバナンス層を通過します。
レイヤは実行毎に4つのルールを実行する。
ホワイトリストのツールのみが実行される。
出走はステップ予算を超えない。
サイドエフェクトを持つアクションは、明示的なオペレータの承認なしに実行される。
答えのすべての数値は、バックエンドからのレイヤによって、そのユニット、変数、時間によってレンダリングされます。
このルールは、分析、シミュレーション、マルチステップワークフロー、12ファミリーの敵入力を、ギリシャの送信ネットワークのデジタル双対でカバーする118タスクベンチマークのすべての実行毎に、永続的な監査パスでチェックされる。
主要モデルの590回にわたって、ツールセレクションは96.5%に達し、タスク成功率は93.7%となり、4つのルールは全て例外なく保持される。
4つの大きな言語モデルにまたがる3つの繰り返し調査では、合計1416が実行され、ルールは全ての実行で再び保持され、およそ95%の下位境界は99.8%である。
レイヤを削除することで、45の承認要求実行をすべて承認なしで実行し、その答えの39.2%にバックエンドをサポートする数値が残されている。
実施費用は要求毎に12～16ミリ秒である。
関連論文リスト
- What Stops a Small Language Model From Driving a Database Agent [0.0]
小さなオープンウェイトな言語モデルは、エージェントデータベースの作業で失敗すると仮定される。
私たちはそれを生産システムに対してテストします。
1,590,75.7%の2,100台のモデルが配布されたエージェントモードの損失は、少なくとも1つのツールを起動したランから発生した。
論文 参考訳（メタデータ） (2026-09-18T05:51:31Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - Actions Speak Louder than Words: Measuring Cross-Lingual Policy Retention in Tool-Using Agents [22.30468215041597]
ツール使用エージェントは別の言語で同じタスクを与えられるが、それでも同じステップを踏むだろうか?
アクションポリシーを,8つのモデル,6つの並列ベンチマーク,41の言語で測定対象とする。
論文 参考訳（メタデータ） (2026-08-11T16:18:34Z) - ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents [61.184954205350984]
ClawArena-Teamは、41のマルチターン、マルチモーダル、マルチエージェントシナリオのベンチマークである。
全体的なスコア -- Subagent-Management Score (SMS) -- は、タスクの正しさを最小限のプライマリとモダリティのルーティング因子によって乗算する。
論文 参考訳（メタデータ） (2026-06-30T06:06:08Z) - Reliability-Asymmetric Spacecraft Autonomy: Co-Designing a Capable Learned GNC Stack with a Verified, Adaptation-Aware Runtime Shield [2.28438857884398]
ルールベースの自律性は認証可能であるが不安定であり、学習された自律性は能力があるが検証するのは難しい。
AMPLE-GNCは3層誘導、ナビゲーション、制御スタックである。
文法制約付き復号化による事前訓練された360Mモデルの微調整は、ハードな出力値保証を与える。
我々は,有能な制御器であっても,ラッチングセーフホールドシールドが抑制可能であることを示す。
論文 参考訳（メタデータ） (2026-06-24T03:55:21Z) - AgentAtlas: Beyond Outcome Leaderboards for LLM Agents [0.025718125188898048]
AgentAtlasは、診断語彙および監査プロトコルとしてのエージェント評価を再設定する。
i)6状態制御-決定分類(Act / Ask / Refuse / Stop / Confirm / Recover)、(ii)一次誤差源と下流衝撃を持つ軌道障害語彙、(iv)8つのモデルで評価された合成1,342-itemに関する実証的プロトコル研究。
論文 参考訳（メタデータ） (2026-05-19T22:05:12Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳（メタデータ） (2025-03-11T17:53:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。